針對冠脈造影圖像,本文提出了新的血管分割算法和血管結構識別算子。血管分割中采用了新的血管函數獲取血管特征圖,并在區域增長算法中實施了自動化的種子點選擇、主分支提取、血管細節修復等步驟。血管結構識別中采用了模糊算子,可以判別血管段、分支、交叉、末梢等結構。實驗結果表明:新分割方法能夠提取的血管面積較單純區域增長算法平均增加了5%左右,并能夠從低灰度區域中恢復出一些較細的血管段。實驗對模糊識別算子驗證后得出:對仿真血管結構的識別正確率達100%。對于實際分割出的各級血管結構進行判別,總體識別的正確率平均達90.59%。
在眼底圖像分割效果的評價中,針對傳統評價方法只考慮像素點重合而未考慮視網膜血管拓撲結構的不足,本文提出一個新的評價方法。該方法首先利用數學形態學和細化算法得到血管的拓撲結構,然后統計并分析視網膜血管區域3個特征參數的分布情況,即以互信息、相關系數和節點率來獲得基于拓撲結構的眼底圖像分割評價結果。該方法的實驗數據取自STARE公開數據庫中專家手工分割及其腐蝕結果。實驗結果表明:互信息、相關系數和節點率這三個特征參數可以從拓撲結構的角度來評價眼底圖像視網膜血管的分割效果,且算法復雜程度較低,該方法對眼底圖像視網膜血管分割評價方法的補充有重要意義。
糖尿病和高血壓等疾病會引起視網膜血管的形狀發生變化，眼底圖像血管分割是疾病定量分析過程中的關鍵步驟，對臨床疾病的分析和診斷具有指導意義。本文提出一種結合深度可分離卷積與通道加權的全卷積神經網絡（FCN）視網膜圖像血管分割方法。首先，對眼底圖像的綠色通道進行 CLAHE 及 Gamma 校正以增強對比度；然后，為了適應網絡訓練，對增強后的圖像進行分塊以擴充數據；最后，以深度可分離卷積代替標準的卷積方式以增加網絡寬度，同時引入通道加權模塊，以學習的方式顯式地建模特征通道的依賴關系，提高特征的可分辨性。將二者結合應用于 FCN 網絡中，以專家手動標識結果作為監督在 DRIVE 數據庫進行實驗。結果表明，本文方法在 DRIVE 庫的分割準確性能夠達到 0.963 0，AUC 達到 0.983 1，在 STARE 庫的分割準確性可以達到 0.962 0，AUC 達到 0.983 0。在一定程度上，本文方法具有更好的特征分辨性，分割性能較好。
針對現有視網膜血管分割算法存在主血管末端易斷裂、中心黃斑和視盤邊界易誤分割等問題，本文提出一種融合血管輪廓信息與條件生成對抗網絡的視網膜血管分割算法。首先，采用非均勻光照移除和主成分分析處理眼底圖像，增強血管與背景的對比度，并獲得特征信息豐富的單尺度灰度圖像。其次，將集成了帶偏移量的深度可分離卷積和擠壓激勵（SE）模塊的密集塊同時運用到編碼器和解碼器，緩解梯度消失和梯度爆炸，同時使得網絡專注于學習目標的特征信息。然后，引入輪廓損失函數，提升網絡對血管信息和輪廓信息的辨識能力。最后，在 DRIVE 與 STARE 數據集上分別進行實驗，受試者曲線值分別達到 0.982 5 和 0.987 4，準確率分別達到 0.967 7 和 0.975 6。實驗結果表明，本文提出的算法能夠準確辨別輪廓與血管，減少血管斷裂，在臨床眼科疾病診斷中具有一定的應用價值。